Обзор подходов и практических областей применения распознавания видов физической активности человека

Обзор подходов и практических областей применения распознавания видов физической активности человека

Автор: Тарантова Елена Сергеевна, Макаров Кирилл Владимирович, Орлов Алексей Александрович

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 3 т.8, 2019 года.

Бесплатный доступ

Распознавание видов физической активности человека является одним из актуальных направлений исследования в области машинного обучения, так как результаты распознавания необходимы при решении многих практических задач. В статье приводится обзор подходов и практических областей применения методов распознавания видов физической активности человека. Рассматриваются датчики, используемые для распознавания видов физической активности человека, и представлены критерии их выбора. Представлены возможные пути решения проблемы выбора места размещения и ориентации носимых датчиков. В статье рассматриваются основные этапы распознавания видов физической активности человека. Представлены извлекаемые признаки и методы их отбора для повышения точности классификации видов физической активности человека и снижения вычислительных затрат за счет уменьшения числа признаков. Сформулированы достоинства и недостатки популярных методов классификации. Рассматриваются метрики, используемые для оценки качества обучения модели классификации. Наиболее применяемой метрикой качества является кривая ошибок. Также представлены практические задачи, в которых необходимы результаты распознавания видов физической активности человека. Основными областями применения метода распознавания являются медицина, производство, фитнес и безопасность людей. В заключении представлены возможные направления будущих исследований.

Еще

Распознавание образов, машинное обучение, виды физической активности человека

Короткий адрес: https://sciup.org/147233200

IDR: 147233200   |   DOI: 10.14529/cmse190303

Список литературы Обзор подходов и практических областей применения распознавания видов физической активности человека

  • Баев Н.О. Использование метода опорных векторов в задачах классификации // Международный журнал информационных технологий и энергоэффективности. 2017. Т. 2, № 2(4). С. 17-21.
  • Тарантова Е.С., Макаров К.В. Выбор признаков и метода классификации видов физической активности в задаче построения телереабилитационной системы // Известия Юго-Западного государственного университета. Серия: Управление, Вычислительная техника, Информатика. Медицинское приборостроение. 2018. Т. 8, №1(26). С. 54-62.
  • Altun K., Barshan B. Human Activity Recognition Using Inertial/Magnetic Sensor Units // Springer-Verlag Berlin Heidelberg. 2010. P. 38-51. DOI: 10.1007/978-3-642-14715-9_5
  • Bächlin M., Kusserow M, Tröster G., et al. Ski Jump Analysis of an Olympic Champion with Wearable Acceleration Sensors // International Symposium on Wearable Computers (ISWC), Oct. 10-13, 2010, Seoul, South Korea. DOI: 10.1109/iswc.2010.5665851
  • Bayat A., Pomplun M., Tran D.A. A Study on Human Activity Recognition Using Accelerometer Data from Smartphones // The 9th International Conference on Future Networks and Communications (FNC'14)/The 11th International Conference on Mobile Systems and Pervasive Computing (MobiSPC'14)/Affiliated Workshops. Procedia Computer Science, Aug. 17-20, 2014, Niagara Falls, Canada. Vol. 34. P. 450-457. DOI: 10.1016/j.procs.2014.07.009
  • Brémond F., Thonnat M., Zúñiga M. Video-understanding Framework for Automatic Behavior Recognition // Behavior Research Methods. 2006. Vol. 38. P. 416-426.
  • DOI: 10.3758/bf03192795
  • Bulling A., Blanke U., Schiele B. A Tutorial on Human Activity Recognition Using Body-worn Inertial Sensors // ACM Computing Surveys (CSUR). 2014. Vol. 46. P. 1- 33.
  • DOI: 10.1145/2499621
  • Capela N.A., Lemaire E.D., Baddour N. Feature Selection for Wearable SmartphoneBased Human Activity Recognition with Able Bodied, Elderly, and Stroke Patients // PLoS ONE. 2015. Vol. 10.
  • DOI: 10.1371/journal.pone.0124414
  • Chandrashekar G., Sahin F. A Survey on Feature Selection Methods // Computers and Electrical Engineering. 2014. Vol. 40. P. 16-28.
  • DOI: 10.1016/j.compeleceng.2013.11.024
  • Dernbach S., Das B., Krishnan N.C., et al. Simple and Complex Activity Recognition through Smart Phones // 2012 Eighth International Conference on Intelligent Environments, Jun. 26-29 2012, Guanajuato, Mexico.
  • DOI: 10.1109/IE.2012.39
  • Du K., Zhang D., Musa M.W., et al. Handling Activity Conflicts in Reminding System for Elders with Dementia // 2008 Second International Conference on Future Generation Communication and Networking, Dec. 13-15, 2008, Hainan Island, China. P. 416-421.
  • DOI: 10.1109/FGCN.2008.117
  • Favela J., Tentory M., Castro L.A., et al. Activity Recognition for Context-aware Hospital Applications: Issues and Opportunities for the Deployment of Pervasive Networks // Mobile Networks and Applications. 2007. P. 155-171.
  • DOI: 10.1007/s11036-007-0013-5
  • Fitbit Inc. Fitbit Official Site for Activity Trackers & More // Fitbit. URL: https://www.fitbit.com/home (дата обращения: 30.10.2018).
  • Frank K., Röckl M., Nadales M.J.V., et al. Comparison of Exact Static and Dynamic Bayesian Context Inference Methods for Activity Recognition // 2010 8th IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops), March 29 -April 2, 2010, Mannheim, Germany. P. 189-195.
  • DOI: 10.1109/percomw.2010.5470671
  • Gao L., Bourke A.K., Nelson J. Evaluation of Accelerometer Based Multi-sensor Versus Single-sensor Activity Recognition Systems // Medical Engineering and Physics. 2014. Vol. 36. P. 779-785.
  • DOI: 10.1016/j.medengphy.2014.02.012
  • Guo J., Zhou X., Sun Y., et al. Smartphone-Based Patients' Activity Recognition by Using a Self-Learning Scheme for Medical Monitoring // Journal of Medical Systems. 2016. Vol. 40. P. 140.
  • DOI: 10.1007/s10916-016-0497-2
  • He Y., Li Y. Physical Activity Recognition Utilizing the Built-in Kinematic Sensors of a Smartphone // International Journal of Distributed Sensor Networks. 2013. Vol. 4.
  • DOI: 10.1155/2013/481580
  • He Z-Y., Jin L-W. Activity Recognition from Acceleration Data Using AR Model Representation and SVM // 2008 International Conference on Machine Learning and Cybernetics, Jul. 12-15, 2008, Kunming, China.
  • DOI: 10.1109/icmlc.2008.4620779
  • Hua S., Kim S.J., Kawanishi N., et al. A Context-aware Reminding System for Daily Activities of Dementia Patients // 27th International Conference on Distributed Computing Systems Workshops (ICDCSW'07), Jun. 22-29, 2007, Toronto, Ont., Canada.
  • DOI: 10.1109/icdcsw.2007.8
  • Janidarmian M., Fekr A.R., Radecka K., et al. A Comprehensive Analysis on Wearable Acceleration Sensors in Human Activity Recognition // Sensors. 2017. Vol. 17.
  • DOI: 10.3390/s17030529
  • Kao T.P., Lin C.W., Wang J.S. Development of a Portable Activity Detector for Daily Activity Recognition // 2009 IEEE International Symposium on Industrial Electronics (ISlE 2009), Jul. 5-8, 2009 Seoul, South Korea. P. 115-120.
  • DOI: 10.1109/isie.2009.5222001
  • Khan A., Hammerla N., Mellor S., et al. Optimising Sampling Rates for AccelerometerBased Human Activity Recognition // Pattern Recognition Letters. 2016. P. 33-40.
  • DOI: 10.1016/j.patrec.2016.01.001
  • Khan A.M., Lee Y-K., Lee S.Y., et al. A Triaxial Accelerometer-based Physical-activity Recognition via Augmented-signal Features and a Hierarchical Recognizer // IEEE Transactions on Information Technology in Biomedicine. 2010. Vol. 14. P. 1166-1172.
  • DOI: 10.1109/titb.2010.2051955
  • Khan A.M., Siddiqi M.H., Lee S.W. Exploratory Data Analysis of Acceleration Signals to Select Light-weight and Accurate Features for Real-time Activity Recognition on Smartphones // Sensors. 2013. Vol. 13. P. 13099-13122.
  • DOI: 10.3390/s131013099
  • Lara O.D., Labrador M.A. A Survey on Human Activity Recognition Using Wearable Sensors // IEEE Communications Surveys and Tutorials. 2013. Vol. 15. P. 1192-1209.
  • DOI: 10.1109/surv.2012.110112.00192
  • Minnen D., Westeyn T., Ashbrook D., et al. Recognizing Soldier Activities in the Field // 4th International Workshop on Wearable and Implantable Body Sensor Networks (BSN 2007). March 26-28, 2007, RWTH Aachen University, Germany. P. 236- 241.
  • DOI: 10.1007/978-3-540-70994-7_40
  • Morales J., Akopian D. Physical Activity Recognition by Smartphones, a Survey // Biocybernetics and Biomedical Engineering. 2017. Vol. 37. P. 388-400.
  • DOI: 10.1016/j.bbe.2017.04.004
  • Murao K., Terada T. A Recognition Method for Combined Activities with Accelerometers // UbiComp '14 Adjunct Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct Publication, Sept. 13-17, 2014, Seattle, Washington. P. 787-796.
  • DOI: 10.1145/2638728.2641304
  • Ortiz J.L.R. Smartphone-based Human Activity Recognition. SPRINGER, 2015. 133 p.
  • Putra I.P.E.S., Brusey J., Gaura E., et al. An Event-triggered Machine Learning Approach for Accelerometer-based Fall Detection // Sensors. 2017. Vol. 18. P. 1-18.
  • DOI: 10.3390/s18010020
  • Reiss A. Personalized Mobile Physical Activity Monitoring for Everyday Life, 2014. 176 p.
  • Reiss A., Stricker D. Creating and Benchmarking a New Dataset for Physical Activity Monitoring // PETRA '12 Proceedings of the 5th International Conference on PErvasive Technologies Related to Assistive Environments, Jun. 6-8, 2012, Heraklion, Crete, Greece.
  • DOI: 10.1145/2413097.2413148
  • Siirtola P., Röning J. Recognizing Human Activities User-independently on Smartphones Based on Accelerometer Data // International Journal of Interactive Multimedia and Artificial Intelligence. 2012. Vol. 1. P. 38.
  • DOI: 10.9781/ijimai.2012.155
  • Tam D., Huynh G. Human Activity Recognition with Wearable Sensors // TU Darmstadt. 2008. 147 p.
  • Tao W., Lai Z-H., Leu M.C., et al. Worker Activity Recognition in Smart Manufacturing Using IMU and sEMG Signals with Convolutional Neural Networks // 46th SME North American Manufacturing Research Conference, Jun. 18-22, 2018, Texas, USA. P. 1159- 1166.
  • DOI: 10.1016/j.promfg.2018.07.152
  • Twomey N., Diethe T., Kull M., et al. The SPHERE Challenge Activity Recognition with Multimodal Sensor Data. 2016. 14 p.
  • Uddin M., Salem A., Nam I., et al. Wearable Sensing Framework for Human Activity Monitoring // WearSys '15 Proceedings of the 2015 Workshop on Wearable Systems and Applications. May 18, 2015, Florence, Italy. P. 21-26.
  • DOI: 10.1145/2753509.2753513
  • Walse K., Dharaskar R.V. A Survey on Human Activity Recognition Using Smartphone // International Journal of Advance Research in Computer Science and Management Studies. 2017. Vol. 5. P. 118-125.
  • Yang A.Y., Jafari R., Sastry S.S., et al. Distributed Recognition of Human Actions Using Wearable Motion Sensor Networks // Journal of Ambient Intelligence and Smart Environments. 2009. Vol. 1. P. 103-115.
  • Yu H., Cang S., Wang Y. A Review of Sensor Selection, Sensor Devices and Sensor Deployment for Wearable Sensor-based Human Activity Recognition Systems // 2016 10th Int. Conf. on Software, Knowledge, Information Management & Applications (SKIMA), Dec. 15-17, 2016, Chengdu, China. P. 250-257.
  • DOI: 10.1109/skima.2016.7916228
  • Zhang M., Sawchuk A.A. Feature Selection-Based Framework for Human Activity Recognition Using Wearable Multimodal Sensors // 6th International ICST Conference on Body Area Networks. 12 Jun. 2012.
  • DOI: 10.4108/icst.bodynets.2011.247018
  • VirtualRehab Body - Upper and Lower Extremity Therapy for Various Neuromotor Impairments. URL: https://evolvrehab.com/virtualrehab/virtualrehab_body/ (дата обращения: 14.01.2019).
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp